阿里云機(jī)器學(xué)習(xí)PAI 平臺(tái)在駕駛行為識(shí)別上的應(yīng)用

林 峰，劉永志

2020 年4 月，中國(guó)社會(huì)福利基金會(huì)等機(jī)構(gòu)發(fā)布了《道路交通安全調(diào)研報(bào)告——2019 年度：不良駕駛行為》.報(bào)告指出分心駕駛、疲勞駕駛等不良駕駛行為是造成2019 年度中國(guó)道路交通事故的最主要原因.因此如何有效識(shí)別車輛司機(jī)駕駛狀態(tài)，對(duì)分心駕駛、疲勞駕駛等危險(xiǎn)行為進(jìn)行及時(shí)預(yù)警，對(duì)減少車輛交通事故的發(fā)生具有重大意義［1］.

近年來(lái)，隨著行車記錄儀的普及，通過(guò)對(duì)駕駛?cè)藛T實(shí)時(shí)影像檢測(cè)，快速識(shí)別不良行為并告警已逐漸成為解決不良駕駛行為的主流方案［2-3］.在該方案中，基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)被廣泛使用，并已在實(shí)踐中被證實(shí)具有較高的性能和準(zhǔn)確性［4］.但是傳統(tǒng)的深度學(xué)習(xí)圖像識(shí)別技術(shù)存在以下不足：一是需要開(kāi)發(fā)人員掌握深度學(xué)習(xí)相關(guān)理論知識(shí)，能夠熟練使用Keras、TensorFlow 等第三方代碼庫(kù)，并具備手工搭建多層人工神經(jīng)網(wǎng)絡(luò)模型的能力；二是深度學(xué)習(xí)模型訓(xùn)練的過(guò)程往往需要消耗大量的計(jì)算資源，若開(kāi)發(fā)人員硬件資源受限，將無(wú)法進(jìn)行大規(guī)模圖像識(shí)別模型的構(gòu)建；三是圖像識(shí)別模型一旦訓(xùn)練完成后，缺乏便捷的手段將其快速部署，實(shí)用性不強(qiáng)［5-8］.

機(jī)器學(xué)習(xí)PAI 平臺(tái)是阿里云計(jì)算有限公司開(kāi)發(fā)的一款在線機(jī)器學(xué)習(xí)平臺(tái).基于阿里云自身豐富的技術(shù)積累和強(qiáng)大的云計(jì)算資源，開(kāi)發(fā)者只需準(zhǔn)備訓(xùn)練數(shù)據(jù)集，PAI 平臺(tái)可提供數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析、數(shù)據(jù)可視化、模型評(píng)估、模型發(fā)布等一站式服務(wù).Auto Learning自動(dòng)學(xué)習(xí)模塊是機(jī)器學(xué)習(xí)PAI 平臺(tái)中的重要組件之一.在圖像識(shí)別問(wèn)題上，只要訓(xùn)練集數(shù)據(jù)質(zhì)量得到保證，Auto Learning 自動(dòng)學(xué)習(xí)模塊就能快速訓(xùn)練足夠精確的模型，并提供一鍵發(fā)布模型的服務(wù)［9］.鑒于此，本文利用阿里云機(jī)器學(xué)習(xí)PAI 平臺(tái)，結(jié)合Auto Learning 自動(dòng)學(xué)習(xí)模塊，構(gòu)建了線上駕駛行為識(shí)別模型，并進(jìn)行了相關(guān)驗(yàn)證和發(fā)布試驗(yàn).

1 機(jī)器學(xué)習(xí)PAI 平臺(tái)

機(jī)器學(xué)習(xí)PAI 平臺(tái)（Platform of Artificial Intelligence）是一款阿里云人工智能平臺(tái)，提供了一站式的機(jī)器學(xué)習(xí)解決方案.PAI 平臺(tái)起初僅服務(wù)于阿里巴巴集團(tuán)內(nèi)部業(yè)務(wù)，致力于讓阿里巴巴集團(tuán)內(nèi)部開(kāi)發(fā)者能夠高效、簡(jiǎn)潔、標(biāo)準(zhǔn)地使用人工智能技術(shù).隨著平臺(tái)技術(shù)的不斷積累，2018 年機(jī)器學(xué)習(xí)PAI 平臺(tái)正式商業(yè)化，目前已積累了數(shù)萬(wàn)企業(yè)客戶和個(gè)人開(kāi)發(fā)者，是國(guó)內(nèi)領(lǐng)先的線上機(jī)器學(xué)習(xí)平臺(tái)之一.機(jī)器學(xué)習(xí)PAI 平臺(tái)具有如下優(yōu)點(diǎn)：①支持一站式機(jī)器學(xué)習(xí)，使用者只需要準(zhǔn)備好訓(xùn)練數(shù)據(jù)（注意：數(shù)據(jù)通常存放在阿里云OSS 或MaxCompute 系統(tǒng)中），數(shù)據(jù)上傳、數(shù)據(jù)預(yù)處理、特征工程、模型訓(xùn)練、模型評(píng)估及模型部署等環(huán)節(jié)均可在阿里云PAI 平臺(tái)中操作實(shí)現(xiàn).②對(duì)接阿里云DataWorks 大 數(shù) 據(jù) 平 臺(tái)，支 持SQL、UDF、UDAF、MR 等多種數(shù)據(jù)處理方式，靈活性較高.③生成模型的實(shí)驗(yàn)流程支持DataWorks 平臺(tái)周期性調(diào)度，且調(diào)度任務(wù)可區(qū)分生產(chǎn)環(huán)境和開(kāi)發(fā)環(huán)境，確保數(shù)據(jù)安全性.

機(jī)器學(xué)習(xí)PAI 平臺(tái)主要提供了可視化建模PAI-Studio、交互式AI 研發(fā)PAI-DSW，以及自動(dòng)化建模Auto Learning 三種使用模式.其中Auto Learning 模式提供了自動(dòng)機(jī)器學(xué)習(xí)服務(wù)，支持在線標(biāo)注、自動(dòng)模型訓(xùn)練、超參優(yōu)化及模型評(píng)估等常見(jiàn)機(jī)器學(xué)習(xí)操作.使用者只需準(zhǔn)備少量標(biāo)注數(shù)據(jù)，設(shè)置訓(xùn)練時(shí)長(zhǎng)，就可以得到深度優(yōu)化的人工智能算法模型.

2 基于機(jī)器學(xué)習(xí)PAI 平臺(tái)的駕駛行為識(shí)別

2.1 數(shù)據(jù)準(zhǔn)備

本文實(shí)驗(yàn)數(shù)據(jù)來(lái)源于大數(shù)據(jù)算法競(jìng)賽平臺(tái)Kaggle（賽題：State Farm Distracted Driver Detection），涉及26 位司機(jī)、10 種駕駛行為，合計(jì)22 424 張圖片.每張圖片尺寸均為640×480，約占40 KB 存儲(chǔ)空間.原始數(shù)據(jù)集體量較大，為方便實(shí)驗(yàn)，抽選了具有代表性的兩名司機(jī)（司機(jī)編號(hào)：p021、p022）的樣本數(shù)據(jù)，并隨機(jī)拆分為訓(xùn)練集（圖片數(shù)量：1 100）和測(cè)試集（圖片數(shù)量：220）.其中圖片示例如圖1 所示，數(shù)據(jù)集分布見(jiàn)表1.

圖1 訓(xùn)練樣本示例

表1 數(shù)據(jù)集分布

阿里云PAI 平臺(tái)中圖像識(shí)別模型依賴的訓(xùn)練數(shù)據(jù)需存儲(chǔ)于OSS 平臺(tái)中.OSS（Object Storage Service，對(duì)象存儲(chǔ)服務(wù)）平臺(tái)提供面向海量數(shù)據(jù)規(guī)模的分布式存儲(chǔ)服務(wù)，具有穩(wěn)定、可靠、安全、低成本的特點(diǎn).在OSS 平臺(tái)中創(chuàng)建存儲(chǔ)空間（亦稱之為Bucket），新建目錄，并通過(guò)專用客戶端工具oss-browser，將1 100 張訓(xùn)練集圖片進(jìn)行上傳.值得注意的是，需要?jiǎng)?chuàng)建相應(yīng)的RAM 角色（角色名：AutoLearningRole），并賦予AliyunOSSFullAccess 權(quán)限，阿里云PAI平臺(tái)才能訪問(wèn)OSS 平臺(tái)圖像數(shù)據(jù)用于模型訓(xùn)練.具體角色創(chuàng)建及賦權(quán)操作可見(jiàn)阿里云相關(guān)幫助文檔，此處不作贅述.

2.2 創(chuàng)建Auto Learning 實(shí)例

進(jìn)入阿里云機(jī)器學(xué)習(xí)PAI 平臺(tái)，在“自動(dòng)學(xué)習(xí)（Auto Learning）”欄目中，創(chuàng)建實(shí)例.其中在“創(chuàng)建實(shí)例”對(duì)話框中，選擇實(shí)例類型為“圖片分類”，并設(shè)置標(biāo)注配置文件OSS 路徑.標(biāo)注配置文件為CSV 文本文件，需手工生成，用于指定訓(xùn)練集中各圖片所屬類別.文件內(nèi)容包含樣本ID、圖片文件OSS 路徑，以及類別標(biāo)注等信息，內(nèi)容格式如下所示：

0，{"tfspath"："oss：//linfengbucket.oss-cn-shanghai.aliyuncs.com/distracted_driver_detection/train/img_58285.jpg"}，{"option"："c0"}

2.3 模型訓(xùn)練及評(píng)估

在Auto Learning 自動(dòng)學(xué)習(xí)頁(yè)面中，通過(guò)隨機(jī)抽查，確認(rèn)訓(xùn)練圖片標(biāo)注無(wú)誤后，即可進(jìn)入模型訓(xùn)練及評(píng)估階段.點(diǎn)擊頁(yè)面下方“完成標(biāo)注”按鈕，彈出“開(kāi)始訓(xùn)練”對(duì)話框.配置最大訓(xùn)練時(shí)長(zhǎng)為60 分鐘后，點(diǎn)擊“開(kāi)始訓(xùn)練”按鈕.截止本文撰寫(xiě)時(shí)，阿里云PAI 平臺(tái)Auto Learning 自動(dòng)學(xué)習(xí)模塊仍處于公測(cè)階段，配置參數(shù)“最大訓(xùn)練時(shí)長(zhǎng)”不能超過(guò)60 分鐘，對(duì)訓(xùn)練模型所消耗的阿里云計(jì)算資源無(wú)需付費(fèi).經(jīng)過(guò)約11 分鐘時(shí)長(zhǎng)的訓(xùn)練，駕駛行為識(shí)別模型指標(biāo)數(shù)據(jù)已達(dá)到預(yù)期：準(zhǔn)確率99.08%，模型訓(xùn)練結(jié)束.

2.4 模型部署和測(cè)試使用

模型訓(xùn)練完畢后，可進(jìn)行EAS 部署.阿里云EAS（Elastic Algorithm Service，彈性算法服務(wù)）支持將所訓(xùn)練的模型發(fā)布為在線預(yù)測(cè)服務(wù)，通過(guò)RESTful API 形式供第三方系統(tǒng)或平臺(tái)使用.本文以流行的Python 編程語(yǔ)言作為實(shí)例，本地測(cè)試客戶端通過(guò)阿里云提供的eas-prediction 庫(kù)，進(jìn)行模型在線接口調(diào)用，核心代碼如下所示.

# 引入模塊

from eas_prediction import PredictClient

from eas_prediction import StringRequest

# 初始化客戶端

client=PredictClient（"接口公網(wǎng)URL地址"）

client.set_token（"接口TOKEN碼"）

client.init（）

# 構(gòu)造請(qǐng)求參數(shù)

request=StringRequest（′{"image"："待預(yù)測(cè)圖片base64編碼"}′）

# 預(yù)測(cè)

response=client.predict（）

print（response.response_data.decode（））

在線預(yù)測(cè)服務(wù)返回的結(jié)果為JSON 字符串，提供了上傳圖片所屬各類別的概率，形如：

{"class_probs"： {"c9"： 2.4398683962090217e-08， "c8"：1.7996175074586063e-06，……}，"success"：true，"request_id"："ff281367-4d25-435b-8cca-69b653ed5e48"， "class_name"："c6"，"probs"：［3.242876633891001e-09，5.356615773166595e-08，……］，"predictions"：3，"class"：3}

通過(guò)使用PAI 平臺(tái)在線預(yù)測(cè)服務(wù)，結(jié)合上述核心Python 代碼，對(duì)含220 張駕駛圖片的測(cè)試集進(jìn)行了預(yù)測(cè)分析，比對(duì)真實(shí)情況，220 張圖片駕駛行為均被準(zhǔn)確識(shí)別，準(zhǔn)確率為100%.同時(shí)經(jīng)過(guò)測(cè)試，平均每張圖片預(yù)測(cè)耗時(shí)1 160毫秒，不超過(guò)1.5 秒，滿足駕駛行為檢測(cè)性能要求.

3 傳統(tǒng)本地線下模式比對(duì)

為與機(jī)器學(xué)習(xí)PAI 平臺(tái)方式進(jìn)行對(duì)比分析，本文使用Python 編程語(yǔ)言，依托深度學(xué)習(xí)開(kāi)源庫(kù)Keras（版本號(hào)：2.2.5）、TensorFlow（版本號(hào)：1.15.3），開(kāi)發(fā)了CNN 卷積神經(jīng)網(wǎng)絡(luò)模型.所設(shè)計(jì)的本地模型包含了卷積層、池化層、全連接層等結(jié)構(gòu)，合計(jì)參數(shù)12 946 890 個(gè).使用上述與機(jī)器學(xué)習(xí)PAI 平臺(tái)方式相同的1 100 張圖片進(jìn)行模型訓(xùn)練，在個(gè)人計(jì)算機(jī)中（CPU：1.8 GHz、4 核，內(nèi)存：10 GB、DDR3）耗時(shí)約222 分鐘（3.7 小時(shí)），模型準(zhǔn)確度及損失函數(shù)（categorical_crossentropy）逐漸收斂，如圖2 所示.

圖2 線下模型準(zhǔn)確度、損失函數(shù)收斂曲線

通過(guò)對(duì)含220 張圖片的測(cè)試集進(jìn)行測(cè)試，成功預(yù)測(cè)193 張圖片所屬駕駛行為，準(zhǔn)確率為87.73%，此外平均每張圖片預(yù)測(cè)耗時(shí)43 毫秒.結(jié)合模型訓(xùn)練耗時(shí)、測(cè)試集準(zhǔn)確率、平均每幀圖片預(yù)測(cè)耗時(shí)及費(fèi)用等因素，將本地開(kāi)發(fā)模式與在線PAI 平臺(tái)模式進(jìn)行對(duì)比，具體情況見(jiàn)表2.基于PAI 平臺(tái)Auto Learning 模式的方法具有如下特點(diǎn)：①操作人員不需要掌握額外的編程方法和深度學(xué)習(xí)技術(shù)，能夠?qū)⒅饕杏谟?xùn)練數(shù)據(jù)的采集和標(biāo)注上.②依托阿里云IT 技術(shù)積累，圖像分類模型準(zhǔn)確率較高.③可彈性提供模型訓(xùn)練依賴的計(jì)算資源.④易于將模型發(fā)布為線上服務(wù)，方便其他系統(tǒng)或平臺(tái)使用.⑤資費(fèi)合理，使用者無(wú)需承擔(dān)過(guò)高的費(fèi)用，即可享受機(jī)器學(xué)習(xí)模型的訓(xùn)練、測(cè)試、發(fā)布等一站式服務(wù).

表2 兩種模型訓(xùn)練模式對(duì)比

4 結(jié)語(yǔ)

本文基于阿里云機(jī)器學(xué)習(xí)PAI 平臺(tái)，結(jié)合Auto Learning 自動(dòng)學(xué)習(xí)模塊，利用1 100 張含10種駕駛狀態(tài)的車內(nèi)影像數(shù)據(jù)，構(gòu)建了一個(gè)高性能的線上駕駛行為識(shí)別模型.該方案解決了傳統(tǒng)本地線下模型訓(xùn)練方式深度依賴開(kāi)發(fā)能力和計(jì)算資源的缺陷，后續(xù)計(jì)劃將進(jìn)一步豐富數(shù)據(jù)集，提升模型在多場(chǎng)景、多尺度情況下駕駛行為識(shí)別準(zhǔn)確率.